Forscher aus Cambridge haben eine Methode entwickelt, mit der die Gesamtfitness auf tragbaren Geräten genau gemessen werden kann – und zwar zuverlässiger als bei aktuellen Smartwatches und Fitnessmonitoren für Verbraucher -, ohne dass der Träger Sport treiben muss.
Normalerweise erfordern Tests zur genauen Messung der VO2max – ein wichtiger Maßstab für die Gesamtfitness und ein wichtiger Prädiktor für Herzkrankheiten und das Sterberisiko – teure Laborgeräte und sind meist auf Spitzensportler beschränkt. Die neue Methode nutzt maschinelles Lernen, um die VO2max – die Fähigkeit des Körpers, aerobe Arbeit zu verrichten – bei alltäglichen Aktivitäten vorherzusagen, ohne dass kontextbezogene Informationen wie GPS-Messungen erforderlich sind.
In der bei weitem größten Studie dieser Art sammelten die Forscher Aktivitätsdaten von mehr als 11 000 Teilnehmern der Fenland-Studie mit Hilfe von am Körper getragenen Sensoren, wobei eine Untergruppe der Teilnehmer sieben Jahre später erneut getestet wurde. Anhand der Daten entwickelten die Forscher ein Modell zur Vorhersage der VO2max, das dann anhand einer dritten Gruppe validiert wurde, die einen Standard-Labortest durchführte. Das Modell zeigte eine hohe Genauigkeit im Vergleich zu laborbasierten Tests und übertraf andere Ansätze.
Einige Smartwatches und Fitnessmonitore, die derzeit auf dem Markt sind, geben an, eine Schätzung der VO2max zu liefern. Da die Algorithmen, die diesen Vorhersagen zugrunde liegen, jedoch nicht veröffentlicht werden und sich jederzeit ändern können, ist unklar, ob die Vorhersagen genau sind oder ob ein Trainingsprogramm im Laufe der Zeit einen Einfluss auf die VO2max einer Person hat.
Das in Cambridge entwickelte Modell ist robust, transparent und liefert genaue Vorhersagen, die nur auf Herzfrequenz- und Beschleunigungsmesserdaten basieren. Da das Modell auch Veränderungen der Fitness im Laufe der Zeit erkennen kann, könnte es auch bei der Schätzung des Fitnessniveaus ganzer Bevölkerungsgruppen und der Ermittlung der Auswirkungen von Lebensstiltrends nützlich sein. Die Ergebnisse werden in der Zeitschrift npj Digital Medicine veröffentlicht.
Die Messung der VO2max gilt als der „Goldstandard“ unter den Fitnesstests. Profisportler zum Beispiel testen ihre VO2max, indem sie ihren Sauerstoffverbrauch messen, während sie bis zur Erschöpfung trainieren. Es gibt auch andere Möglichkeiten, die Fitness im Labor zu messen, wie z. B. Tests zur Messung der Herzfrequenz bei körperlicher Anstrengung, für die jedoch Geräte wie ein Laufband oder ein Heimtrainer erforderlich sind. Außerdem kann anstrengendes Training für manche Menschen ein Risiko darstellen.
VO2max ein wichtiger Indikator
„Die VO2max ist nicht das einzige Maß für die Fitness, aber sie ist wichtig für die Ausdauer und ein starker Prädiktor für Diabetes, Herzkrankheiten und andere Sterblichkeitsrisiken“, sagte Mitautor Dr. Soren Brage von der Epidemiologieeinheit des Medical Research Council (MRC) in Cambridge. „Da die meisten VO2max-Tests jedoch an Menschen durchgeführt werden, die einigermaßen fit sind, ist es schwierig, Messungen von Menschen zu erhalten, die nicht so fit sind und möglicherweise ein Risiko für Herz-Kreislauf-Erkrankungen haben.
„Wir wollten wissen, ob es möglich ist, die VO2max anhand der Daten eines tragbaren Geräts genau vorherzusagen, so dass kein Belastungstest erforderlich ist“, so der Mitautor Dr. Dimitris Spathis vom Cambridge Department of Computer Science and Technology. „Unsere zentrale Frage war, ob tragbare Geräte die Fitness in der freien Natur messen können. Die meisten Wearables liefern Messwerte wie Herzfrequenz, Schritte oder Schlafdauer, die zwar einen Anhaltspunkt für die Gesundheit darstellen, aber nicht direkt mit dem Gesundheitszustand in Verbindung gebracht werden können“.
Die Studie wurde in Zusammenarbeit zwischen den beiden Fachbereichen durchgeführt: Das Team der MRC Epidemiology Unit stellte sein Fachwissen in den Bereichen Bevölkerungsgesundheit und kardiorespiratorische Fitness sowie Daten aus der Fenland-Studie – einer seit langem laufenden öffentlichen Gesundheitsstudie im Osten Englands – zur Verfügung, während das Team des Fachbereichs Informatik und Technologie sein Fachwissen im Bereich des maschinellen Lernens und der künstlichen Intelligenz für mobile und tragbare Daten einbrachte.
Die Teilnehmer an der Studie trugen sechs Tage lang kontinuierlich tragbare Geräte. Die Sensoren erfassten 60 Werte pro Sekunde, was zu einer enormen Menge an Daten führte, die verarbeitet werden mussten. „Wir mussten eine Algorithmus-Pipeline und geeignete Modelle entwickeln, die diese riesige Datenmenge komprimieren und für eine genaue Vorhersage nutzen konnten“, so Spathis. „Die freilebende Natur der Daten macht diese Vorhersage zu einer Herausforderung, da wir versuchen, ein hochrangiges Ergebnis (Fitness) mit verrauschten, niedrigrangigen Daten (tragbare Sensoren) vorherzusagen.“
Die Forscher verwendeten ein KI-Modell, das als tiefes neuronales Netz bekannt ist, um aussagekräftige Informationen aus den Sensor-Rohdaten zu verarbeiten und zu extrahieren und daraus Vorhersagen zur VO2max zu treffen. Über die Vorhersagen hinaus können die trainierten Modelle zur Identifizierung von Subpopulationen verwendet werden, die in Bezug auf ihre Fitness besonders interventionsbedürftig sind.
Die Ausgangsdaten von 11.059 Teilnehmern der Fenland-Studie wurden mit Folgedaten von sieben Jahren später verglichen, die von einer Untergruppe von 2.675 der ursprünglichen Teilnehmer stammen. Eine dritte Gruppe von 181 Teilnehmern aus der UK Biobank Validation Study unterzog sich einem laborgestützten VO2max-Test, um die Genauigkeit des Algorithmus zu validieren. Das Modell des maschinellen Lernens wies eine hohe Übereinstimmung mit den gemessenen VO2max-Werten auf, und zwar sowohl zu Beginn der Studie (82 % Übereinstimmung) als auch bei der Nachuntersuchung (72 % Übereinstimmung).
„Diese Studie ist ein perfektes Beispiel dafür, wie wir Fachwissen aus den Bereichen Epidemiologie, öffentliche Gesundheit, maschinelles Lernen und Signalverarbeitung nutzen können“, sagte der Ko-Autor Dr. Ignacio Perez-Pozuelo.
